适读人群 ：本书适合人工智能、机器学习、深度学习相关行业的从业者和学习者阅读。

编辑推荐
● AI核心知识+多行业实战案例详解
● 涵盖零售、运输、电影、音乐、市场营销、计算机视觉和金融等实战案例，掌握开发核心技能

帮你掌握利用机器学习与深度学习识别和解决复杂问题所需的技能，深入讲解Python机器学习生态系统的实战案例，本书是你学习并成为AI行业成功从业者的完美指南。
第1步着重理解机器学习的概念和工具。
第2步详细介绍标准的机器学习流程，重点是数据处理分析、特征工程和建模等核心知识。
第3步深入讲解涉及不同领域和行业的多个实战案例，包括零售、运输、电影、音乐、市场营销、计算机视觉和金融等领域实战案例。

你将掌握：
● 学会执行端到端机器学习项目和系统。
● 学会使用行业标准化、开源、强大的机器学习工具和框架进行实战。
● 学会深入案例研究，剖析机器学习和深度学习在不同领域和行业中的实战应用。
● 学会使用广泛的机器学习模型，包括回归、分类和聚类等。

本书帮你掌握通过机器学习和深度学习来识别和解决复杂问题所需的基本技能。本书使用了流行的 Python机器学习生态系统中的真实示例，将成为你在学习机器学习的艺术和科学并成为一名成功的从业者道路上的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会你如何成功思考、设计、构建和执行机器学习系统和项目，并利用这些知识解决一些来自不同领域的实际问题，包括零售、运输、电影、音乐、计算机视觉、艺术和金融。本书将教会你解决自己遇到的机器学习问题！
本书适合人工智能、机器学习、深度学习相关行业的从业者和学习者阅读。

关于作者
Dipanjan Sarkar
英特尔公司的数据科学家，班加罗尔国际信息技术学院的信息技术硕士，主要负责数据科学研究与分析、商业智能、实际项目和大型智能系统构建等研究、开发工作。他多年来从事分析工作，擅长统计、预测和文本分析，对数据科学和教育充满热情，也是Springboard教育平台的数据科学导师，帮助从业者提高数据科学和机器学习等领域的技能。他还撰写了多本关于R、Python、机器学习和数据分析的著作。此外，他还是相关书籍的技术审校者，并担任Coursera的课程测试员。此外他还热衷于研究新技术、金融市场、颠覆性初创企业、数据科学、人工智能和深度学习。

Raghav Bali
英特尔公司的数据科学家，班加罗尔国际信息技术学院的信息技术硕士，致力于推动主动的、数据驱动的IT项目。他主要从事数据科学与分析、商业智能以及基于机器学习的可扩展解决方案开发等工作，还曾在一些全球领先的企业中从事过ERP和财务项目开发等工作。他也是一位技术爱好者，喜欢研究新工具和技术。他还著有关于R、机器学习和数据分析的著作。

Tushar Sharma
英特尔公司的数据科学家，班加罗尔国际信息技术学院的信息技术硕士。他的工作涉及使用大量基础结构数据进行大规模开发分析的解决方案。他曾在金融领域工作，为知名金融公司开发可扩展的机器学习解决方案。他精通Python、R，以及Spark和Hadoop等大数据框架。他还著有关于R和社交媒体分析的著作。

目录
原书序言
原书前言
译者简介

第1部分　理解机器学习
第1章　机器学习基础 // 2
11　机器学习的需求 // 3
12　理解机器学习 // 6
13　计算机科学 // 12
14　数据科学 // 14
15　数学 // 15
16　统计学 // 20
17　数据挖掘 // 22
18　人工智能 // 22
19　自然语言处理 // 23
110　深度学习 // 24
111　机器学习方法 // 29
112　监督学习 // 30
113　无监督学习 // 33
114　半监督学习 // 36
115　强化学习 // 37
116　批量学习 // 37
117　在线学习 // 38
118　基于实例的学习 // 38
119　基于模型的学习 // 39
120　CRISP-DM处理模型 // 39
121　构建机器智能 // 45
122　真实案例研究：预测学生获取推荐 // 47
123　机器学习的挑战 // 55
124　机器学习的现实应用 // 55
125　总结 // 56

第2章　 Python机器学习生态系统 // 57
21　Python简介 // 57
22　Python机器学习生态系统简介 // 62
23　总结 // 100

第2部分　机器学习流程
第3章　 数据的处理、重整以及可视化 // 102
31　数据收集 // 103
32　数据描述 // 116
33　数据重整 // 117
34　数据汇总 // 128
35　数据可视化 // 130 36　
总结 // 152

第4章　特征工程和特征选择 // 153
41　特征：更好地理解你的数据 // 154
42　重温机器学习流程 // 155
43　特征提取和特征工程 // 156
44　数值型数据的特征工程 // 160
45　分类型数据的特征工程 // 174
46　文本型数据的特征工程 // 183
47　时态型数据的特征工程 // 193
48　图像型数据的特征工程 // 197
49　特征缩放 // 211
410　特征选择 // 214
411　特征降维 // 221
412　总结 // 224

第5章　构建、调优和模型的部署 // 225
51　构建模型 // 226
52　模型评估 // 239
53　模型调优 // 248
54　模型解释 // 259
55　模型部署 // 265
56　总结 // 267

第3部分　真实案例研究
第6章　共享单车趋势分析 // 270
61　共享单车数据集 // 270
62　问题陈述 // 271
63　探索性数据分析 // 271
64　回归分析 // 278
65　建模 // 280
66　下一步 // 291
67　总结 // 292

第7章　电影影评的情感分析 // 293
71　问题陈述 // 294
72　设置依赖项 // 294
73　获取数据 // 295
74　文字的预处理与标准化 // 295
75　无监督的以词典为基础的模型 // 298
76　使用监督学习进行情感分类 // 306
77　传统的有监督的机器学习模型 // 308
78　较新的有监督的深度学习模型 // 310
79　高级的有监督的深度学习模型 // 316
710　分析情感的因果关系 // 323
711　总结 // 332

第8章　 顾客分类和有效的交叉销售 /333/
81　在线零售交易记录数据集 // 333
82　探索性数据分析 // 334
83　顾客分类 // 337
84　交叉销售 // 350
85　总结 // 361

第9章　分析酒的类型和质量 // 362
91　问题陈述 // 362
92　设置依赖项 // 363
93　获取数据 // 363
94　探索性数据分析 // 364
95　预测建模 // 378
96　预测葡萄酒类型 // 379
97　预测葡萄酒质量 // 385
98　总结 // 397

第10章　分析音乐趋势和推荐 // 398
101　百万歌曲数据集品味画像 // 398
102　探索性数据分析 // 399
103　推荐引擎 // 407
104　推荐引擎库的注意事项 // 415
105　总结 // 416

第11章　预测股票和商品价格 // 417
111　时序数据及时序分析 // 417
112　预测黄金价格 // 423
113　股票价格预测 // 432
114　总结 // 445

第12章　计算机视觉深度学习 // 447
121　卷积神经网络 // 447
122　使用 CNN进行图像分类 // 448
123　使用 CNN的艺术风格转换 // 457
124　总结 // 467